Oracle Enterprise Planning & Budgeting Cloud System (EPBCS): applicazione delle tecniche di Machine Learning (ML) alla pianificazione
L’articolo introduce brevemente l’applicazione del Machine Learning alla pianificazione su Oracle EPM Cloud
Il Machine Learning (ML) rientra nel più vasto campo dell’Intelligenza Artificiale (AI). Si tratta di un ambito tecnologico che si prefigge come obiettivo quello di “istruire” le macchine ad eseguire compiti in modo sempre più performante. Alla base ci sono specifici algoritmi che possono essere implementati in vari linguaggi (Python, Java, C++, …) e che consentono l’apprendimento della macchina in modo iterativo mediante l’analisi di grandi moli di dati, sfruttando metodi di analisi statistica quali la Classificazione (usata per identificare a quale tra le categorie di un insieme un input appartiene) e la Regressione (usata per prevedere il valore atteso di una variabile dipendente “condizionato” dai valori di altre variabili indipendenti).
Tra i metodi di Machine Learning il più diffuso è il metodo supervised learning nel quale un supervisore (trainer) addestra il software mediante dataset di input/output predefiniti: per ciascun dataset usato come input vengono indicati dal supervisore i corrispondenti output “corretti”. Tali dataset di input/output “di riferimento” costituiscono l’esperienza dalla quale la macchina deve apprendere.
Ogni volta che l’algoritmo processa un determinato dataset di input, nel caso l’output calcolato differisca da quello di riferimento (fornito dal trainer come corretto), ha inizio un processo di ottimizzazione automatica dell’algoritmo; tale processo viene poi ripetuto iterativamente fino a quando i risultati restituiti non saranno corretti. Al termine del processo, la regola generale ottenuta, in grado di formalizzare la correlazione dei dataset di input con i dataset di output corretti, costituirà il modello predittivo di Machine Learning risultante, spendibile per effettuare analisi previsionali. Tuttavia, come si può intuire, non esiste un modello di Machine Learning già pronto all’uso per tutte le casistiche: ogni volta il modello deve essere costruito e messo a punto per la specifica applicazione.
Oracle ha integrato nella piattaforma Enterprise Planning and Budgeting Cloud System (EPBCS) il tool Intelligent Performance Management (IPM) che tra le sue funzionalità prevede, a supporto della pianificazione finanziaria ed il forecasting, la possibilità di eseguire analisi di tipo what-if usando modelli di Machine Learning previamente importati in un’applicazione Planning; il beneficio per i planner è quello di poter velocizzare il processo, riducendo drasticamente il numero dei cicli di pianificazione necessari e liberando così tempo utile per le attività a più alto valore aggiunto.
Oracle EPM Cloud prevede che il modello ML sia già stato sviluppato ed opportunamente “addestrato” (training) mediante una qualunque piattaforma di Machine Learning presente sul mercato, avendo già identificato le tipologie di analisi/previsioni per le quali può essere usato in maniera affidabile.
Una volta messo a punto ed esportato su file (.pmml), il modello può essere importato sulla piattaforma Oracle EPM Cloud tramite l’interfaccia dedicata. Qui il sistema, a valle di una fase di analisi del modello, chiede all’utente di configurarlo, indicando la mappatura del modello all’applicazione Planning in termini di scelta del cubo dell’applicazione Planning di residenza dei dati, dei membri dimensionali che determinano il perimetro dei dati storici (input) che il modello analizzerà per generare la previsione, nonché della misura per la quale sarà chiamato ad effettuare la previsione (output).
Terminata la configurazione, mediante una interfaccia di test dedicata, il modello ML può essere applicato a set di dati di input a fini previsionali; vengono create automaticamente due Groovy rule (accessibili dal Calculation Manager e modificabili). Di queste rule,
- una è destinata ad essere usata dagli utenti in associazione ad un data form o dashboard (tramite action menu); la regola considera nel calcolo predittivo solo gli incroci dimensionali gestiti nella form o nel dashboard
- l’altra è destinata all’esecuzione tramite job per effettuare previsioni massive su base periodica.
È interessante osservare come un modello ML sia sempre suscettibile di miglioramenti durante il suo utilizzo. Il vaglio delle previsioni ottenute dalle simulazioni dei pianificatori da parte del management stimola la richiesta ai data scientist di modifiche alla definizione del modello ML (cioè degli algoritmi), generando un processo iterativo di miglioramento continuo dello stesso che ne affina ulteriormente le capacità predittive.
